• 這是ACMMM2019的一篇有監(jiān)督暗圖增強的論文，KinD
• 其網(wǎng)絡結(jié)構(gòu)如下圖所示：
  
• 首先是一個分解網(wǎng)絡分解出R和L分量，然后有Restoration-Net和Adjustment-Net分別去對R分量和L分量進一步處理，最終將處理好的R分量和L分量融合回去。這倒是很常規(guī)的流程。其中有些novel的細節(jié)，一個是分解網(wǎng)絡利用得到的R分量來指導L分量的提取。一個是可控的亮度調(diào)節(jié)模塊

分解網(wǎng)絡

• 分解網(wǎng)絡的損失函數(shù)如下：其中前兩個損失很常見，分別是重建損失和暗圖亮圖具有相同R的約束。第三個損失是L分量的平滑損失，不過用原圖的梯度進行歸一化，以使得暗圖的邊緣區(qū)域得以保留；第四個損失同樣是對L分量的平滑損失，這里則是用一個曲線使得梯度值居中的部分（噪聲）平滑掉

• 

• 

• 

• $L_{is}^{LD}=$
  

• 

• 

• 

R的重建網(wǎng)絡

• restoration net的損失函數(shù)如下，是暗圖的R的修復結(jié)果和亮圖的R的各種距離度量：
  

I 的調(diào)整網(wǎng)絡

• illumination adjustment net的輸入除了分解網(wǎng)絡估計的 $L$，還有一個全為$\alpha$的concatenate到$L$的feature map，$\alpha$表示調(diào)節(jié)因子，可以用目標$L$除以輸入的$L$去global average得到。網(wǎng)絡的功能是將輸入的$L$調(diào)整為target的$L$。這一方法相比其它retinex的方法直接對$L$進行gamma校正的手段，具有更好的效果。
• 這一模塊的損失函數(shù)如下，這一損失要算兩次的，一次是暗圖的$L$作為輸入，亮圖的$L$作為target，一次是反過來：

實驗結(jié)果

方法的可視化效果和NIQE都非常不錯，在LOL上的PSNR也很高：